Orientador: Mauricio Enrique Zevallos Herencia / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Matematica, Estatistica e Ciencia da Computação / Made available in DSpace on 2018-08-11T01:10:13Z (GMT). No. of bitstreams: 1 Santos_BrunoReisdos_M.pdf: 1935776 bytes, checksum: f3579f38b051dcbc18a4a0f79c2d6ab2 (MD5) Previous issue date: 2008 / Resumo: Nesta dissertação é discutido o uso da metodologia de diagnóstico de Influência Local em modelos de séries temporais. Especificamente, serão estudados os modelos autoregressivos de ordem um, os modelos de regressão com erros autoregressivos de ordem um e modelos de longa-memória. As medidas de influência local consideradas são: Inclinação de Billor e Loynes e Curvatura de Cook. As principais contribuições nesta dissertação são duas. Primeiro, a utilização da metodologia de limiares (benchmarks) nos modelos mencionados para determinar se uma observação é influente. Isto permite ter uma ferramenta estatística para identificar pontos influentes a diferença da simples análise exploratória que é o mais comum na literatura. Como segunda contribuição, serão obtidas as expressões para o cálculo das medidas de Inclinação de Billor e Curvatura de Cook nos modelos ARFIMA. Finalmente, as metodologias descritas são ilustradas através de dados simulados e da análise de dados reais / Abstract: This work is about Time Series Diagnostics using Local Influence. Specifically, firstorder autoregressive models, regression models with first-order autoregressive errors and long-memory models are studied. In order to assess Local Influence two statistics are considered: the Slope of Billor and Loynes and Cook¿s Curvature. The main contributions are two. First, apply a methodology based on benchmarks calculated by simulation on the aforementioned models for determining influential observations. This permits to have a statistical tool to identify influential points instead of the simple exploratory analysis, which is the most common device in the literature. Second, expressions for Billor and Loynes Slope and Cook¿s Curvature in ARFIMA models are derived. Finally, all methodologies are illustrated using simulated data and the analysis of real data / Mestrado / Series Temporais / Mestre em Estatística

Orientador: Mauricio Enrique Zevallos Herencia / Dissertação (mestrado) - Universidade Estadadual de Campinas, Instituto de Matematica, Estatistica e Computação Cientifica / Made available in DSpace on 2018-08-15T13:14:28Z (GMT). No. of bitstreams: 1 Borges_CristianoAmancioVieira_M.pdf: 2172730 bytes, checksum: 3a0a212a114d920caf7bafe3f7a04868 (MD5) Previous issue date: 2010 / Resumo: A modelagem de séries temporais não gaussianas é um tema de alta relevância na análise de séries temporais. Utilizando-se de estimação por verossimilhança parcial, Kedem e Fokianos (2002) estenderam sistematicamente a metodologia dos Modelos Lineares Generalizados (MLG) para séries temporais em que tanto a série de interesse quanto as covariáveis são estocasticamente dependentes. Entretanto, a análise estatística de séries com memória longa (ML), seja na resposta ou nas covariáveis, não é discutida em detalhes. O primeiro objetivo desta dissertação é investigar, através de simulações, as propriedades dos estimadores de máxima verossimilhança parcial dos coeficientes do MLG quando utilizado para séries temporais com ML. O segundo objetivo consiste em um estudo sobre a qualidade das previsões obtidas para vários modelos ajustados a dados de séries com ML, utilizando a metodologia proposta por Kedem e Fokianos (2002). Os modelos considerados nesta dissertação são modelos para séries de contagens, séries binárias e séries categóricas ordinais. Finalmente, as metodologias são ilustradas através de aplicações em conjuntos de dados reais de finanças e de poluição do ar. / Abstract: Non-gaussian time series modeling is a high relevance issue of time series analysis. Kedem and Fokianos (2002) have used partial likelihood estimation to extend the Generalized Linear Models (GLM) methodology systematically to time series where the response and covariate data are both stochastically dependent. However, statistical analysis of time series with long memory (LM), whether in the response or in the covariates, is not discussed in detail. The first purpose of this paper is to investigate, via simulations, the properties of the partial maximum likelihood estimators of the GLM coefficients as used for modeling LM time series. As a second purpose, we have assessed the quality of the forecasts obtained from several adjusted models (using the methodology proposed by Kedem and Fokianos (2002)) as applied to data with LM series. The models we have chosen for our work include count series, binary series, and categorical ordinal time series models. Finally, the methodologies are illustrated with applications to financial and air pollution real data. / Mestrado / Series Temporais / Mestre em Estatística